
在该项目中,你将使用强化学习算法,实现一个自动走迷宫机器人。
u、向右走 r、向下走 d、向左走 l。robot.py 中的代码,来实现一个 Q Learning 机器人,实现上述的目标。配置环境,使用 envirnment.yml 文件配置名为 robot-env 的 conda 环境,具体而言,你只需转到当前的目录,在命令行/终端中运行如下代码,稍作等待即可。
conda env create -f envirnment.yml
安装完毕后,在命令行/终端中运行 source activate robot-env(Mac/Linux 系统)或 activate robot-env(Windows 系统)激活该环境。
阅读 main.ipynb 中的指导完成项目,并根据指导修改对应的代码,生成、观察结果。
强化学习作为机器学习算法的一种,其模式也是让智能体在“训练”中学到“经验”,以实现给定的任务。但不同于监督学习与非监督学习,在强化学习的框架中,我们更侧重通过智能体与环境的交互来学习。通常在监督学习和非监督学习任务中,智能体往往需要通过给定的训练集,辅之以既定的训练目标(如最小化损失函数),通过给定的学习算法来实现这一目标。然而在强化学习中,智能体则是通过其与环境交互得到的奖励进行学习。这个环境可以是虚拟的(如虚拟的迷宫),也可以是真实的(自动驾驶汽车在真实道路上收集数据)。
在强化学习中有五个核心组成部分,它们分别是:环境(Environment)、智能体(Agent)、状态(State)、动作(Action)和奖励(Reward)。在某一时间节点 $t$:
通过合理的学习算法,智能体将在这样的问题设置下,成功学到一个在状态 $s_t$ 选择动作 $a_t$ 的策略 $\pi (s_t) = a_t$。
问题 1:请参照如上的定义,描述出 “机器人走迷宫这个问题” 中强化学习五个组成部分对应的实际对象:
环境 : 迷宫墙壁(不可以走,-10)、迷宫空位(可以走,-0.1)、炸弹(得到负反馈,-30)、终点(得到正反馈,+50);
状态 : 小车所处的迷宫坐标位置;
动作 : 向上走u;向右走r;向下走d;向左走l;
奖励 : 撞到墙壁:-10;走到终点:50;走到陷阱:-30;其余情况:-0.1;
$$T(s^{'}, a, s) = P(s^{'}|a,s)$$
在我们的项目中,我们要实现基于 Q-Learning 的强化学习算法。Q-Learning 是一个值迭代(Value Iteration)算法。与策略迭代(Policy Iteration)算法不同,值迭代算法会计算每个”状态“或是”状态-动作“的值(Value)或是效用(Utility),然后在执行动作的时候,会设法最大化这个值。因此,对每个状态值的准确估计,是我们值迭代算法的核心。通常我们会考虑最大化动作的长期奖励,即不仅考虑当前动作带来的奖励,还会考虑动作长远的奖励。
在 Q-Learning 算法中,我们把这个长期奖励记为 Q 值,我们会考虑每个 ”状态-动作“ 的 Q 值,具体而言,它的计算公式为:
$$ q(s_{t},a) = R_{t+1} + \gamma \times\max_a q(a,s_{t+1}) $$
也就是对于当前的“状态-动作” $(s_{t},a)$,我们考虑执行动作 $a$ 后环境给我们的奖励 $R_{t+1}$,以及执行动作 $a$ 到达 $s_{t+1}$后,执行任意动作能够获得的最大的Q值 $\max_a q(a,s_{t+1})$,$\gamma$ 为折扣因子。
不过一般地,我们使用更为保守地更新 Q 表的方法,即引入松弛变量 $alpha$,按如下的公式进行更新,使得 Q 表的迭代变化更为平缓。
$$ q(s_{t},a) = (1-\alpha) \times q(s_{t},a) + \alpha \times(R_{t+1} + \gamma \times\max_a q(a,s_{t+1})) $$

问题 2:根据已知条件求 $q(s_{t},a)$,在如下模板代码中的空格填入对应的数字即可。
已知:如上图,机器人位于 $s_1$,行动为 u,行动获得的奖励与题目的默认设置相同。在 $s_2$ 中执行各动作的 Q 值为:u: -24,r: -13,d: -0.29、l: +40,$\gamma$ 取0.9。
$$ \begin{align} q(s_{t},a) & = R_{t+1} + \gamma \times\max_a q(a,s_{t+1}) \\ & =(-0.1) + (0.9)*(40) \\ & =(35.9) \end{align} $$
在强化学习中,「探索-利用」问题是非常重要的问题。具体来说,根据上面的定义,我们会尽可能地让机器人在每次选择最优的决策,来最大化长期奖励。但是这样做有如下的弊端:
因此我们需要一种办法,来解决如上的问题,增加机器人的探索。由此我们考虑使用 epsilon-greedy 算法,即在小车选择动作的时候,以一部分的概率随机选择动作,以一部分的概率按照最优的 Q 值选择动作。同时,这个选择随机动作的概率应当随着训练的过程逐步减小。
问题 3:在如下的代码块中,实现 epsilon-greedy 算法的逻辑,并运行测试代码。
import random
actions = ['u','r','d','l']
qline = {'u':1.2, 'r':-2.1, 'd':-24.5, 'l':27}
epsilon = 0.3 # 以0.3的概率进行随机选择
def choose_action(epsilon):
action = None
if random.random() < epsilon: # 以某一概率
action = random.choice(actions) # 实现对动作的随机选择
else:
action = max(qline, key = lambda x: qline[x]) # 否则选择具有最大 Q 值的动作
return action
我们首先引入了迷宫类 Maze,这是一个非常强大的函数,它能够根据你的要求随机创建一个迷宫,或者根据指定的文件,读入一个迷宫地图信息。
Maze("file_name") 根据指定文件创建迷宫,或者使用 Maze(maze_size=(height,width)) 来随机生成一个迷宫。trap_number 参数,在创建迷宫的时候,设定迷宫中陷阱的数量。g=Maze("xx.txt"),那么直接输入 g 即可。问题 4:在如下的代码块中,创建你的迷宫并展示。
from Maze import Maze
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
## todo: 创建迷宫并展示
zj = Maze("test_world/maze_01.txt")
zj
你可能已经注意到,在迷宫中我们已经默认放置了一个机器人。实际上,我们为迷宫配置了相应的 API,来帮助机器人的移动与感知。其中你随后会使用的两个 API 为 maze.sense_robot() 及 maze.move_robot()。
maze.sense_robot() 为一个无参数的函数,输出机器人在迷宫中目前的位置。maze.move_robot(direction) 对输入的移动方向,移动机器人,并返回对应动作的奖励值。问题 5:随机移动机器人,并记录下获得的奖励,展示出机器人最后的位置。
rewards = []
## 循环、随机移动机器人10次,记录下奖励
for i in range(10):
reward = zj.move_robot(random.choice(actions))
rewards.append(reward)
## 输出机器人最后的位置
print(zj.sense_robot())
## 打印迷宫,观察机器人位置
zj
Robot 类实现¶Robot 类是我们需要重点实现的部分。在这个类中,我们需要实现诸多功能,以使得我们成功实现一个强化学习智能体。总体来说,之前我们是人为地在环境中移动了机器人,但是现在通过实现 Robot 这个类,机器人将会自己移动。通过实现学习函数,Robot 类将会学习到如何选择最优的动作,并且更新强化学习中对应的参数。
首先 Robot 有多个输入,其中 alpha=0.5, gamma=0.9, epsilon0=0.5 表征强化学习相关的各个参数的默认值,这些在之前你已经了解到,Maze 应为机器人所在迷宫对象。
随后观察 Robot.update 函数,它指明了在每次执行动作时,Robot 需要执行的程序。按照这些程序,各个函数的功能也就明了了。
最后你需要实现 Robot.py 代码中的8段代码,他们都在代码中以 #TODO 进行标注,你能轻松地找到他们。
问题 6:实现 Robot.py 中的8段代码,并运行如下代码检查效果(记得将 maze 变量修改为你创建迷宫的变量名)。
ZJTODO
py文件中TODO1
你这里的 epsilon 衰减太快了,小车行动5次后,就不随机选择一个动作了,这样会导致小车不能很好地对周围环境进行探索~ 尝试减慢 epsilon 衰减速度,或者使用如 cos 这样的衰减函数~
from Robot import Robot
robot = Robot(zj) # 记得将 maze 变量修改为你创建迷宫的变量名
robot.set_status(learning=True,testing=False)
print(robot.update())
zj
Runner 类训练 Robot¶在实现了上述内容之后,我们就可以开始对我们 Robot 进行训练并调参了。我们为你准备了又一个非常棒的类 Runner,来实现整个训练过程及可视化。使用如下的代码,你可以成功对机器人进行训练。并且你会在当前文件夹中生成一个名为 filename 的视频,记录了整个训练的过程。通过观察该视频,你能够发现训练过程中的问题,并且优化你的代码及参数。
问题 7:尝试利用下列代码训练机器人,并进行调参。可选的参数包括:
epochepsilon0 (epsilon 初值)epsilon衰减(可以是线性、指数衰减,可以调整衰减的速度),你需要在 Robot.py 中调整alphagamma## 可选的参数:
epoch = 200
epsilon0 = 0.5
alpha = 0.5
gamma = 0.9
maze_size = (6,6)
trap_number = 1
from Runner import Runner
g = Maze(maze_size=maze_size,trap_number=trap_number)
r = Robot(g,alpha=alpha, epsilon0=epsilon0, gamma=gamma)
r.set_status(learning=True)
runner = Runner(r, g)
runner.run_training(epoch, display_direction=True)
runner.generate_movie(filename = "final1.mp4") # 你可以注释该行代码,加快运行速度,不过你就无法观察到视频了。
使用 runner.plot_results() 函数,能够打印机器人在训练过程中的一些参数信息。
问题 8:使用 runner.plot_results() 输出训练结果,根据该结果对你的机器人进行分析。
runner.plot_results()
maze_size = (6,6)
trap_number = 1
alpha_test = 0.3
gamma_test = 0.5
epsilon_test = 0.1
epoch_test = 10
def test_different_parameter(alpha_test, gamma_test, epsilon_test, epoch_test):
g = Maze(maze_size = maze_size, trap_number = trap_number)
r = Robot(g, alpha = alpha_test, epsilon0 = epsilon_test, gamma = gamma_test)
r.set_status(learning=True)
runner = Runner(r, g)
runner.run_training(epoch_test, display_direction = True)
print("alpha: {}, gamma: {}, epsilon: {}, epoch: {}".format(alpha_test, gamma_test, epsilon_test, epoch_test))
runner.plot_results()
while alpha_test < 0.9:
while gamma_test <= 0.9:
while epsilon_test <= 0.9:
while epoch_test < 50:
test_different_parameter(alpha_test, gamma_test, epsilon_test, epoch_test)
epoch_test += 10
epoch_test = 10
epsilon_test += 0.2
epsilon_test = 0.1
gamma_test += 0.2
gamma_test = 0.5
alpha_test += 0.2
(回答区) 列出不同的参数组合,并输出计算结果,结合概念对比结果后得出比较好的参数组合如下:
取值原因:
问题 9: 请将如下的文件打包,提交文件给审阅者。
robot.pyrobot_maze.ipynbrobot_maze.ipynb 导出的 robot_maze.html